当然可以！🙂
不过我现在还没看到你说的“这篇文献”和对应的代码/链接，所以需要你先把材料发我，我才能 阅读文献 + 复现代码。

请你任选一种方式提供：

✅ 方式 A：直接上传文件（推荐）

• 上传论文 PDF（或截图）
• 如果有代码（zip / github repo / notebook / script）也一起上传

✅ 方式 B：发链接

• 论文链接（arXiv / 期刊 / 网盘链接都行）
• 代码链接（GitHub / Colab / 其他）

✅ 方式 C：复制关键内容

如果不方便上传，你可以把：

• 方法部分（Method）
• 实验设置（Experiments）
• 以及你希望复现的段落/公式/伪代码
  粘贴到对话里。

---

我会怎么做（你确认一下目标）

收到材料后，我可以帮你完成：

1. 快速精读：讲清楚论文做了什么、核心贡献、公式推导、实验设计
2. 复现路线：整理需要的数据、模型、超参、训练流程
3. 代码复现（可选范围）：
   • ✅ 复现作者公开代码的运行结果（最常见）
   • ✅ 从零实现（如果没有代码，只给论文）
   • ✅ 在你指定环境跑通（比如 PyTorch / TF / JAX；本地/Colab）
4. 复现报告：输出可运行代码 + 复现结果对比 + 可能差异原因

---

🔥为了复现更精准，最好你再告诉我两点

1. 你希望复现到什么程度？

• 只跑通训练/测试？
• 还是要对齐论文里的指标/图表？

2. 你使用的环境是什么？

• 本地（Windows/Mac/Linux）还是 Colab？
• Python / PyTorch 版本有要求吗？

---

你把论文（PDF/链接）发我就行，我马上开始读并给出复现计划，然后一步步把代码跑通。

可以，我先按你上传的这篇论文把“能复现的部分”直接落成一套可跑的基线代码（CNN–GRU 预测 GNSS 增量 + IRAKF 自适应量测噪声 + 15 状态误差卡尔曼的接口）。但要做到“复现到论文表 II/III/VI/VII 那种数值”，还必须有原始路测数据（IMU+GNSS+参考轨迹），论文里没有公开数据与完整实现细节，所以我这里给的是结构严格对齐论文流程的复现骨架，你把数据对上字段就能训练/跑通并对比。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

---

1) 论文方法复现要点（对应它的实现闭环）

论文核心闭环是：

1. 训练 CNN–GRU：输入是一秒内的 SINS/IMU 序列特征 {f^b_ib, ω^b_ib, v^n, yaw}，输出是 GNSS 位置增量 ΔP_GNSS（用增量而不是 GNSS-INS 差值，论文论证增量噪声更小）。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
2. GNSS outage 时预测伪量测：用模型预测每秒的 ΔP̂_GNSS，累加得到 P̂_GNSS。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
3. 与 SINS 做融合：量测一般取位置差 Z_k = r̂_gnss - r_ins（位置量测）。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
4. IRAKF 动态估计 R_k：用残差窗口估计 R̂_k，再按论文的 trace 比例构造自适应因子 α_k，得到 R_k = α_k R_predict（只在 outage 期间）。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

---

2) 你需要准备的数据格式（最小可跑）

你至少要有（按时间对齐）：

• IMU：加速度 f_bib (ax,ay,az) 与角速度或角增量 w_bib (gx,gy,gz)，频率 100/200 Hz 都行
• SINS 输出：速度 v_n(vn,ve,vd) 与航向角 yaw（论文说 roll/pitch 变化小，关键是 yaw）(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
• GNSS：1 Hz 的位置 P_gnss（最好 ENU 或 NED 平面 + 高程，或经纬高也行但你得统一坐标）
• （可选但强烈建议）参考轨迹：如 SPAN-CPT6/RTK 融合解，用于算误差指标

构造样本方式（论文图 5）：每个 GNSS 周期（1 秒）取这一秒内 N 条 IMU/SINS 序列，拼成 N × 10：
[f(3), w(3), v(3), yaw(1)] => 10 维，输出是 ΔP_gnss(k)=P_gnss(k)-P_gnss(k-1)（通常 3 维）。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

---

3) 复现代码（PyTorch + IRAKF + KF 接口）

下面代码能直接保存成一个小工程跑；你只需要把 load_your_data() 换成你自己的读数逻辑，并确保对齐成我约定的张量形状即可。

3.1 环境

bash
pip install torch numpy

3.2 CNN–GRU 模型（对齐论文：Conv1D(kernel=2,stride=1) + MaxPool1D(k=3) + GRU + FC）

python
# model.py
import torch
import torch.nn as nn

class CNNGRU(nn.Module):
    """
    Input:  (B, N, 10)  where N = IMU samples per GNSS second
    Output: (B, 3)      GNSS position increment ΔP (e.g., ENU or NED)
    """
    def __init__(self, in_feats=10, conv_channels=32, gru_hidden=64, gru_layers=2, dropout=0.1, out_dim=3):
        super().__init__()
        # Conv1d expects (B, C, L) => treat features as channels, time as length
        self.conv = nn.Conv1d(in_channels=in_feats, out_channels=conv_channels, kernel_size=2, stride=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool1d(kernel_size=3)

        self.gru = nn.GRU(
            input_size=conv_channels,
            hidden_size=gru_hidden,
            num_layers=gru_layers,
            batch_first=True,
            dropout=dropout if gru_layers > 1 else 0.0,
        )
        self.fc = nn.Sequential(
            nn.Linear(gru_hidden, gru_hidden),
            nn.ReLU(),
            nn.Linear(gru_hidden, out_dim),
        )

    def forward(self, x):
        # x: (B, N, 10) -> (B, 10, N)
        x = x.transpose(1, 2)
        x = self.pool(self.relu(self.conv(x)))  # (B, conv_channels, L')
        x = x.transpose(1, 2)                   # (B, L', conv_channels)
        out, _ = self.gru(x)                    # (B, L', gru_hidden)
        y = self.fc(out[:, -1, :])              # last step
        return y

3.3 IRAKF：按论文(12)-(18)的窗口残差 + trace 自适应因子

python
# irakf.py
import numpy as np
from collections import deque

class IRAKF_R_Estimator:
    """
    Measurement noise covariance estimator for GNSS pseudo-measurements during outages.
    Implements the paper's idea:
      V_k = Z_k - H X̂_{k|k-1}
      R̂_k = (1/m) Σ V V^T - H P_{k|k-1} H^T
      α_k = 1 if tr(R̂_k) <= tr(R_predict) else tr(R̂_k)/tr(R_predict)
      R_k = α_k * R_predict
    """
    def __init__(self, m_window: int, R_predict: np.ndarray):
        self.m = int(m_window)
        self.R_predict = R_predict.copy()
        self.buf = deque(maxlen=self.m)

    def update(self, v_k: np.ndarray, H: np.ndarray, P_pred: np.ndarray) -> np.ndarray:
        """
        v_k: residual (z - H x_pred), shape (meas_dim,)
        H: measurement matrix, shape (meas_dim, state_dim)
        P_pred: predicted covariance, shape (state_dim, state_dim)
        """
        v_k = v_k.reshape(-1, 1)
        self.buf.append(v_k)

        # Not enough window yet: fall back to R_predict
        if len(self.buf) < 2:
            return self.R_predict.copy()

        # (1/m) Σ v v^T
        S = np.zeros((v_k.shape[0], v_k.shape[0]), dtype=float)
        for vv in self.buf:
            S += (vv @ vv.T)
        S /= len(self.buf)

        R_hat = S - (H @ P_pred @ H.T)

        tr_Rhat = float(np.trace(R_hat))
        tr_Rpred = float(np.trace(self.R_predict))

        # Guard: if trace is non-positive (numerical / model mismatch), don't shrink too aggressively
        if tr_Rpred <= 1e-12:
            return self.R_predict.copy()

        alpha = 1.0 if tr_Rhat <= tr_Rpred else (tr_Rhat / tr_Rpred)
        # Ensure alpha >= 1 to avoid over-trusting noisy pseudo-measurements
        alpha = max(1.0, alpha)

        return alpha * self.R_predict

3.4 15 状态误差 KF（位置量测版）+ GNSS outage 切换

python
# kf15.py
import numpy as np

def kf_predict(x, P, Phi, Q, G=None):
    """
    x_k|k-1 = Phi x_{k-1|k-1}
    P_k|k-1 = Phi P Phi^T + (G Q G^T) or + Q
    """
    x_pred = Phi @ x
    if G is None:
        P_pred = Phi @ P @ Phi.T + Q
    else:
        P_pred = Phi @ P @ Phi.T + G @ Q @ G.T
    return x_pred, P_pred

def kf_update(x_pred, P_pred, z, H, R):
    """
    Standard KF update.
    """
    z = z.reshape(-1, 1)
    y = z - (H @ x_pred)  # residual
    S = H @ P_pred @ H.T + R
    K = P_pred @ H.T @ np.linalg.inv(S)
    x_upd = x_pred + K @ y
    I = np.eye(P_pred.shape[0])
    P_upd = (I - K @ H) @ P_pred
    return x_upd, P_upd, y

3.5 训练 + outage 推理（你只需要接入数据）

python
# train_and_run.py
import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader
from model import CNNGRU
from irakf import IRAKF_R_Estimator
from kf15 import kf_predict, kf_update

class IMUGNSSDataset(Dataset):
    def __init__(self, X, Y):
        """
        X: (M, N, 10)
        Y: (M, 3)  ΔP_gnss
        """
        self.X = torch.tensor(X, dtype=torch.float32)
        self.Y = torch.tensor(Y, dtype=torch.float32)

    def __len__(self): return self.X.shape[0]
    def __getitem__(self, i): return self.X[i], self.Y[i]

def load_your_data():
    """
    TODO: Implement this.
    Return:
      X_train: (M, N, 10)
      Y_train: (M, 3)
      X_test_outage: (T, N, 10)        # outage segment inputs
      P_gnss_init: (3,)                # last valid GNSS position before outage
      P_ins_outage: (T, 3)             # INS position during outage (for z = p_gnss_hat - p_ins)
      (optional) ref positions for evaluation
    """
    raise NotImplementedError

def train_model(X_train, Y_train, device="cpu", epochs=20, batch_size=64, lr=1e-3):
    ds = IMUGNSSDataset(X_train, Y_train)
    dl = DataLoader(ds, batch_size=batch_size, shuffle=True, drop_last=False)

    model = CNNGRU()
    model.to(device)
    opt = torch.optim.Adam(model.parameters(), lr=lr)
    loss_fn = torch.nn.MSELoss()

    model.train()
    for ep in range(1, epochs+1):
        total = 0.0
        for xb, yb in dl:
            xb, yb = xb.to(device), yb.to(device)
            pred = model(xb)
            loss = loss_fn(pred, yb)
            opt.zero_grad()
            loss.backward()
            opt.step()
            total += float(loss.item()) * xb.size(0)
        print(f"epoch {ep:02d}  loss={total/len(ds):.6f}")
    return model

@torch.no_grad()
def predict_gnss_positions(model, X_outage, P_gnss_init, device="cpu"):
    """
    Predict ΔP each second then accumulate to positions.
    X_outage: (T, N, 10)
    returns P_hat: (T, 3)
    """
    model.eval()
    X = torch.tensor(X_outage, dtype=torch.float32).to(device)
    dP = model(X).cpu().numpy()  # (T, 3)
    P = np.zeros_like(dP)
    p = P_gnss_init.astype(float).copy()
    for t in range(dP.shape[0]):
        p = p + dP[t]
        P[t] = p
    return P

def run_fusion(P_hat_gnss, P_ins, use_irakf=True, m_window=10, sigma_predict=5.0):
    """
    Minimal fusion loop with position measurement only.
    state: 15x1 error-state
    z_k: (3,1) = P_hat_gnss - P_ins
    H: selects position error: [I3, 0...]
    """
    T = P_hat_gnss.shape[0]
    state_dim = 15
    meas_dim = 3

    # Placeholder dynamics (you should replace Phi,Q with your SINS error model discretization)
    Phi = np.eye(state_dim)
    Q = np.eye(state_dim) * 1e-4

    H = np.zeros((meas_dim, state_dim))
    H[:, 0:3] = np.eye(3)

    x = np.zeros((state_dim, 1))
    P = np.eye(state_dim) * 1.0

    R_predict = np.eye(3) * (sigma_predict ** 2)
    irakf = IRAKF_R_Estimator(m_window=m_window, R_predict=R_predict)

    xs = []
    for k in range(T):
        # Predict
        x_pred, P_pred = kf_predict(x, P, Phi, Q)

        # Measurement
        z = (P_hat_gnss[k] - P_ins[k]).reshape(3, 1)

        # Residual for IRAKF
        v = (z - H @ x_pred).reshape(3,)

        Rk = R_predict
        if use_irakf:
            Rk = irakf.update(v_k=v, H=H, P_pred=P_pred)

        # Update
        x, P, _ = kf_update(x_pred, P_pred, z, H, Rk)
        xs.append(x.copy())

    return np.stack(xs, axis=0)  # (T, 15, 1)

def main():
    device = "cuda" if torch.cuda.is_available() else "cpu"
    X_train, Y_train, X_outage, P_gnss_init, P_ins_outage = load_your_data()

    model = train_model(X_train, Y_train, device=device, epochs=30)
    P_hat = predict_gnss_positions(model, X_outage, P_gnss_init, device=device)

    # KF vs IRAKF对比
    x_kf = run_fusion(P_hat, P_ins_outage, use_irakf=False)
    x_irakf = run_fusion(P_hat, P_ins_outage, use_irakf=True)

    print("done")

if __name__ == "__main__":
    main()

---

4) 你把“复现”做到论文同等级结果，还差哪些关键点？

论文的数值复现主要差在这几块（论文没给出全部工程细节）：

1. SINS 机械编排与误差状态模型：Φ_k,k-1 / Q / G 的具体离散化、IMU 标定、初始对准等会强烈影响融合结果。论文只给了框架与 15 状态形式，没有把完整实现展开到可逐行照抄。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
2. 坐标系与单位：论文图表是 East/North 误差，通常在 ENU/NED 下评估；你的 GNSS 若是经纬高，需要投影到局部坐标。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
3. R_predict（σ_predict²）与窗口 m：论文说 σ_predict 来自模型训练精度与测试误差，但没给具体数值与窗口长度 m；这些会显著改变 IRAKF 行为。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
4. 训练/测试切分：论文示例是用 outage 前 2400s/2600s 训练，然后分别 outage 90s/180s 做测试。你需要按你的数据复刻同样流程。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

---

5) 你接下来给我什么，我就能把它“跑出图 + 指标”并对齐论文

把下面任意一种给我，我就能继续把骨架补齐到“可复现实验图/表”：

• ✅ 你的数据文件（CSV/NPZ/MAT/rosbag 都行），至少包含：IMU、GNSS(1Hz)、SINS/INS 输出（或我帮你用 IMU 做最简 SINS）
• ✅ 或者你告诉我：采样率、字段名、坐标系（LLA/ENU/NED）、时间戳格式

我会把：

• 数据对齐与归一化（按论文每秒拼 N×10）
• 训练 CNN–GRU（含 GRU/LSTM 对比可选）
• outage 推理 + KF/IRAKF 融合
• 输出 East/North/Horizontal 的 Max 与 RMSE（对齐论文表格口径）

直接给你跑通的脚本和结果。

当然可以。我先基于你这篇论文里 CNN–GRU 的原始设计（Conv1D kernel=2、stride=1 + MaxPool1D size=3 + 多层 GRU + FC）和它在系统中的角色（预测 GNSS 位置增量 ΔP，再累加得到伪 GNSS 位置，最后进 IRAKF/KF 融合）来给你一套**“更有创新性、且容易写成论文点”的改进方向**。下面每个方向我都会说明：为什么有价值、怎么改、怎么验证。
（模型结构和输入输出设定来自论文第 II-C 与 Fig.2、Fig.5：输入是 1 秒内的 {f_bib, ω_bib, v_n, yaw} 序列特征，输出 ΔP_GNSS，并在 outage 期生成伪量测；并且 IRAKF 用残差窗口估计 R 并用 trace 缩放。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)）

---

0) 先指出原 CNN–GRU 的“创新空间”在哪

论文用 CNN 做局部特征提取 + GRU 做时序建模，这个结构本身已经是一个比较标准的时序回归组合（论文也引用了类似 CNN-GRU 的导航应用工作）。它的主要不足（也是你可以“创新”的入口）：

1. 只预测位置增量 ΔP，速度/航向误差没有纳入学习目标 → 论文讨论里也提到速度误差收敛不如位置，原因就是模型训练没有包含速度输出（他们在 Discussion 里明确提到了这一点）。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
2. 预测输出被当做伪量测，但 预测不确定性只用 IRAKF 在滤波端被动估计，网络端没有输出可信度/协方差。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
3. CNN 卷积核=2 + maxpool=3 其实非常“浅”且偏局部确认，缺少对 长程依赖、**动作状态变化（特别是转弯/掉头）**的显式建模，而论文也强调转弯会引发误差突变。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

---

1) 最推荐、最容易写出“创新点”的改进：多任务学习（ΔP + ΔV + Δψ）

✅ 思路

把输出从 “只预测 GNSS 位置增量” 扩展为同时预测：

• ΔP（位置增量）
• ΔV（速度增量，或速度）
• Δψ（航向/yaw 增量）

论文自己就指出：速度误差不够好，是因为训练目标只关注位置。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
所以你做多任务学习，是非常“顺理成章 + 有理论依据”的创新延伸。

✅ 怎么做

• 网络共享 backbone（CNN + GRU 或改进 backbone）
• 输出头分三支：head_P, head_V, head_yaw
• 损失函数： $$\mathcal{L}=\lambda_P \| \Delta \hat P-\Delta P\|^2+\lambda_V \|\Delta \hat V-\Delta V\|^2+\lambda_\psi \|\Delta \hat\psi-\Delta \psi\|^2$$
• 融合端：量测向量扩展为位置+速度+航向（从 3 维变成 7 维或 9 维），KF 的 H 矩阵随之扩展

✅ 你能写出的创新点

• “兼顾位置-速度-航向的多任务学习提升伪量测一致性”
• “改善转弯场景下航向误差导致的水平误差增大”
• “通过多模态量测（位置+速度+航向）增强滤波可观性”

✅ 实验验证

• 对比：原 CNN–GRU vs 多任务 CNN–GRU-MTL
• 指标：位置 RMSE + 速度 RMSE + heading RMSE（论文在 180s 实验里已经统计 heading RMSE，非常适合对齐比较）(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

---

2) 强创新点：网络端输出不确定性（异方差回归）→ 替代/增强 IRAKF

✅ 思路

现在 IRAKF 是在滤波端用残差窗口估计 R 并做 trace 缩放（算法 1）。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
你可以让网络直接输出：

• 均值：ΔP
• 方差/协方差：Σ_P 或 diag(σ²)

也就是“网络预测 + 置信度”，让 KF 的 R 来自网络输出，而 IRAKF 只作为 safety net 或做二次调整。

✅ 怎么做（最经典做法）

让网络输出 μ 和 log σ²，用高斯负对数似然做损失：

$$\mathcal{L}=\sum_i \left(\frac{\|\Delta P_i-\mu_i\|^2}{\sigma_i^2} + \log \sigma_i^2\right)$$

这样网络会学会：困难样本（转弯、多路径）自动给更大的 σ²。

✅ 你能写出的创新点

• “端到端学习伪量测噪声模型”
• “将自适应测量噪声估计从滤波端迁移到网络端，减少滑窗滞后”
• “在强动态场景提供更鲁棒的 covariance”

✅ 实验验证

• R 的来源对比：固定 R / IRAKF / 网络输出 R / 网络输出 R + IRAKF
• 观察 KF 稳定性、误差突变时的发散抑制

---

3) 架构创新但仍容易落地：把 CNN 换成 TCN / Dilated Conv / Inception-1D

✅ 背景

原模型的 Conv1D kernel=2 很浅，感受野很小。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
而 outage 时预测误差往往来自 一段时间内动作模式（加减速、转向），所以更大的感受野有帮助。

✅ 你可以这样改

• 用 TCN（Temporal Convolution Network）代替 CNN：dilated conv + residual
• 或用 Inception-1D：多尺度 kernel（2/3/5/7）并行，增强对不同动态模式的捕捉

✅ 创新点写法

• “多尺度时序卷积增强运动状态识别”
• “扩大感受野以捕获转弯/掉头前后的长期依赖，提高 ΔP 稳定性”

---

4) 高级一点：引入 注意力机制（Temporal Attention / Transformer-lite）

✅ 思路

GRU 主要靠隐状态记忆，但转弯瞬间的关键片段可能被稀释。论文也强调转弯对误差影响大。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
你可以在 GRU 输出上加：

• Temporal Attention：让模型自动挑选关键时刻
• 或者用轻量 Transformer Encoder 替换 GRU（但训练数据要够）

✅ 创新点

• “基于注意力的关键运动片段增强”
• “对强动态时刻更敏感，降低掉头造成的误差突变”

---

5) 更“工程+论文”兼顾：做 运动状态条件化（Mixture-of-Experts / gating）

论文其实提示你“转弯/直行两类行为误差分布不同”。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
你可以：

• 先用简单分类器判断运动状态（直行/转弯/急加速/掉头）
• 让不同 expert 负责不同状态的 ΔP 预测（MoE）
• 或者让网络用 gating 学到状态权重

创新点非常明确：
“面向运动模式的条件化预测，提高复杂场景泛化”

---

6) 我建议你选择哪条路线？（按“创新性/工作量/可发表性”排序）

⭐ 第一名（强烈推荐）

✅ 多任务学习 + 网络不确定性输出

• 改动不大，但确认能写出两点创新：
  1. 多任务提升速度/航向收敛
  2. 网络预测置信度替代/增强 IRAKF 的 R
• 还能做很漂亮的对比实验

⭐ 第二名

✅ TCN/多尺度卷积 + Attention

• 结构看起来更新颖
• 对转弯场景更有说服力

⭐ 第三名

✅ MoE / 运动状态条件化

• 论文亮点强，但实现复杂度稍高（需要状态标签或自监督）

---

7) 如果你愿意，我可以进一步帮你把“创新点落到代码”并给实验方案

你只要告诉我你更想走哪条路线（比如 MTL+uncertainty 或 TCN+attention），我可以直接给你：

1. 改进版模型 PyTorch 实现
2. 损失函数与训练策略
3. KF 量测模型如何扩维（H、R 如何设置）
4. 论文式实验对比表格模板（对齐 Table II/III/VI/VII/IX 的指标体系）

---

给你一个快速选择问题（你回我两句就行）

1. 你手头的数据有没有 速度/航向真值或参考值（比如 SPAN/RTK 输出）？
2. 你更想创新偏 深度模型结构 还是偏 滤波融合方式（R 的学习/自适应）？

你回答后，我会给你最合适、最能“写成创新贡献”的改进方案和代码框架。

下面我按“近三年（以现在 2026-01 往回约 3 年 ≈ 2023–2025）+ GNSS-IMU/INS + 神经网络辅助（预测伪量测/增量/轨迹）”这个范围，给你整理一批相似路线的论文，并尽量给出可直接引用的文献信息（含 DOI/期刊/年份）。

另外，你这篇 CNN–GRU + IRAKF 论文在引言里也点名了几篇典型的“用 GRU/LSTM 预测 GNSS 伪量测 +（自适应）滤波融合”的工作（例如 Tang 2022、Zhao 2022、Zhao 2023、Xu 2023 等），我也会顺带标注出来，便于你写 related work。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

---

2023–2025：GNSS/INS（IMU）神经网络辅助预测/伪量测（推荐优先读）

1) GRU + 自适应 KF（AKF）/GPS outage

Zhao, L.; Li, J.; Feng, K.; Wei, X.; Song, J.; Jiao, Y.
A hybrid optimization algorithm for GWO fine-tuning GRU-aided AKF during GPS outage. Measurement, 2023. (Article no. 112302) (ScienceDirect)

• 关键词：GRU 预测 + AKF 自适应量测噪声；还加入 GWO 做超参优化（写“创新点/对比实验”很方便）。

2) BP 神经网络预测 GNSS 伪量测 + 运动约束融合

Xu, Y. et al.
Motion-constrained GNSS/INS integrated navigation method based on BP neural network. Remote Sensing, 2023. (Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

• 这是你这篇 CNN–GRU+IRAKF 文献参考文献里提到的 2023 工作之一（路线很接近：学一个映射，输出伪量测/约束来稳住 outage）。

3) CNN–GRU + 因子图（Factor Graph）混合导航（GNSS outage）

(Applied Sciences 2024)
A Method for Assisting GNSS/INS Integrated Navigation System during GNSS Outages… Applied Sciences, 2024. (MDPI)

• 关键词：CNN–GRU 预测伪观测/增量 + 因子图融合；和你要改进 CNN–GRU 非常对口（可以做“结构/融合框架”层面的创新对比）。

4) GRU–Transformer 混合（GNSS/INS 融合/轨迹预测）

(Agriculture 2025)
GRU–Transformer Hybrid Model for GNSS/INS Integration… Agriculture, 2025. (MDPI)

• 关键词：GRU + Transformer（短期+长期依赖）；适合你做“CNN–GRU → CNN/TCN–Transformer/Attention”的结构升级参考。

5) CNN-BiGRU（双向 GRU）用于 GNSS outage（会议论文）

Zhuang, X. et al.
Assisted Integrated Navigation System Based on CNN-BiGRU Model During GNSS Outage. In ICGNC 2024 (Lecture Notes in Electrical Engineering), 2025 (online). (Springer)

• 关键词：把 GRU 换成 BiGRU（利用前后文）；你如果考虑做“离线后处理/平滑”会有用。

---

稍早但“同一条技术线”的经典对比（2022，很多论文 still 会引用）

这些虽然略早于 3 年窗口，但它们是这条路线的“常用 baseline / related work”，你写论文基本绕不开：

6) GRU + AKF（loose coupling）/GNSS outage（常用基线）

Tang, Y. A. et al.
A GRU and AKF-Based Hybrid Algorithm for Improving INS/GNSS Navigation Accuracy during GNSS Outage. Remote Sensing, 2022, 14(3), 752. DOI: 10.3390/rs14030752 (MDPI)

• 你的 CNN–GRU+IRAKF 论文在引言里也把它当作 AKF 相关代表工作之一。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

7) CNN–GRU 预测位置增量 + CKF（Cubature KF）/GNSS outage

Zhao, S.; Zhou, Y.; Huang, T.
A Novel Method for AI-Assisted INS/GNSS Navigation System Based on CNN-GRU and CKF during GNSS Outage. Remote Sensing, 2022, 14(18), 4494. DOI: 10.3390/rs14184494 (MDPI)

• 这篇和你现在这篇（CNN–GRU + IRAKF）最像：同样是 CNN–GRU 预测“位置增量/伪量测”，区别主要在融合端（CKF vs 你们的 IRAKF/KF）。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

---

你如果要“继续扩展检索”，我建议的关键词组合

为了让你后续能找到更多 2023–2025 的类似文章（尤其是 IEEE/Elsevier/MDPI），你可以用下面这些组合去搜（中英都行）：

• “GNSS outage” + “pseudo-measurement” + (GRU OR LSTM OR Transformer)
• “INS/GNSS” + “deep learning aided” + “adaptive Kalman”
• “GNSS/IMU” + “increment prediction” + “neural network”
• “CNN-GRU” + (EKF OR UKF OR CKF OR factor graph)

---

如果你愿意，我也可以按你的目标进一步“精筛”成一页 related-work 表格（输入/输出是什么、网络结构、融合方法、数据集、outage 时长、指标），并标注你这篇 CNN–GRU+IRAKF 放在图谱里的位置。你更关心的是车辆路测还是 UAV/农业机械 场景？

我按“GNSS–IMU/INS 在 GNSS outage/遮挡 时，用神经网络预测伪量测/增量/速度再与滤波/因子图融合”的口径，把近三年里不止 LSTM/GRU（含 LSTM 变体、TCN、Attention、ELM 等）的工作先检索出一批，给你做 related work 够用了。你这篇 TIM 2024 论文在引言里也点了不少代表性方向（BP、LSTM、GRU、ELM 等），我也结合它的参考文献脉络一起整理（见你上传论文第 I–II 节和参考文献列表）。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

---

A. 近三年里“不是纯 GRU/CNN–GRU”的 GNSS–IMU/INS 神经网络辅助（按模型类型分）

1) LSTM 系列（含优化/级联/与因子图结合）

1. PSO–LSTM（粒子群优化 + LSTM）用于 GNSS/INS（抗失锁/干扰）
   An GNSS/INS Integrated Navigation Algorithm Based on PSO-LSTM… Electronics, 2023. (MDPI)

2. Cascade-LSTM：预测伪速度/位置增量，用于 GNSS outage 桥接
   A Low-Cost GNSS/INS integration method aided by Cascade-LSTM Pseudo …（Elsevier 期刊页面显示为 2024 左右）(ScienceDirect)

3. LSTM + Factor Graph（把“预测 GNSS 信息”作为因子图约束/量测）
   A Hybrid Algorithm of LSTM and Factor Graph for Improving Combined GNSS/INS Localization during GNSS outages Sensors, 2024. (MDPI)

这三篇能覆盖：LSTM 结构创新（级联/优化）、输出从位置到速度/增量、以及滤波→因子图融合框架。

---

2) TCN / 时序卷积（替代 RNN，用更大感受野建模动态）

4. TCN-BiLSTM：用 TCN 提特征 + 双向 LSTM 生成伪 GNSS 量测，再配自适应滤波
   （页面显示为 Sensors 2026 刚发表，略超“2023–2025”，但非常贴你要的“非 GRU/LSTM 传统单体”的趋势；如果你严格只要 2023–2025 我就不把它算进统计里，但建议你读。）(MDPI)

5. （提醒）TCN 在 GNSS 领域近年也常用于“GNSS 时间序列预测”（如钟差/高程），很多文章会把 TCN 作为 LSTM/GRU 的替代基线
   例如：SSA-TCN 做卫星钟差 outage 预测（偏 PPP/钟差，不是 IMU 融合，但可以当“TCN 在 GNSS 序列预测里有效”的旁证）。(Springer)

---

3) Attention / Transformer（更强的长时依赖与关键片段建模）

6. CNN-BiLSTM-Attention：把注意力引入综合导航/高精度融合（related work 很好写）
   Enhanced CNN-BiLSTM-Attention Model for High-Precision Integrated … Remote Sensing, 2025 左右（页面显示为 2024/2025 区间）。(MDPI)

7. Attention-based 架构用于 INS/GNSS（偏 GPS Solutions 方向的融合讨论）
   An integrated INS/GNSS system with an attention-based …（Springer / GPS Solutions，发布时间接近 2023）(Springer)

---

4) ELM / “轻量学习器” + 融合（RNN 以外的另一条线）

8. ELM（Extreme Learning Machine）+ Factor Graph：在 GPS outage 下做融合增强
   A hybrid optimization method based on extreme learning machine aided factor graph for INS/GPS information fusion during GPS outages（Elsevier 页面显示 2024 左右）(ScienceDirect)

---

5) “学习一个虚拟里程计/伪量测网络”（不是 LSTM/GRU 的传统“直接预测 GNSS”）

9. 轻量 odometry 网络：模拟轮速计/判断 ZUPT，并在 GNSS outage 给 INS 提供伪量测
   A lightweight odometry network for GNSS/INS integration during GNSS …（Elsevier 2023 左右）(ScienceDirect)

---

B. 你这篇 TIM 2024 论文里“近三年相关工作”的线索（你可以直接沿着它的参考文献查）

你的论文在引言把“静态网络（BP/ELM/SVM/ANFIS 等）→ RNN（LSTM/GRU）→ 结合自适应滤波”的演进写得很清楚，并且点名了：

• BP 伪量测（Remote Sensing 2023）(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
• GRU + 自适应 KF（Measurement 2023）(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)
  这些你在写 related work 时可以作为“与你方法最邻近”的对照基线（并说明你准备做的创新：例如从 CNN–GRU 扩展到 TCN/Attention/不确定性学习等）。(Meng 等 - 2024 - A GNSSINS integrated navigation compensation method based on CNN–GRU + IRAKF hybrid model during GN.pdf)

---

C. 我建议你下一步怎么“继续慢慢检索并补全一份最像你的清单”

你如果要的是最像你现在这篇（预测伪 GNSS/增量 → 与 INS 滤波融合 → outage 对比），我建议用下面这些关键词组合去扩展（每组都能搜到一串 2023–2025 的论文）：

• "GNSS outage" AND ("pseudo-measurement" OR "pseudo GNSS") AND (Transformer OR Attention OR TCN OR "temporal convolution")
• "GNSS/INS" AND ("deep learning aided" OR "neural network aided") AND (EKF OR IEKF OR factor graph)
• "pseudo velocity" AND "GNSS/INS" AND LSTM

---

如果你愿意，我可以把上面这些论文进一步“去重 + 精筛”成一个 related-work 表（列：输入/输出、网络结构、是否输出不确定性、融合方式KF/EKF/因子图、outage 时长、数据类型（车/UAV））。你更想对标车载路测还是 UAV/低成本 MEMS 场景？

我帮你检索了 “北京交通大学 连丽蓉（也可能写作：连丽容 / Lirong Lian）” 的公开论文信息。需要先说明一点：公开数据库里更常见的英文拼写是 Lirong Lian，中文姓名在不同平台有时会出现 “连丽容/连丽蓉” 的写法差异，所以我同时用中英文都检索了。

目前能稳定检索到、并能直接引用的公开论文列表，主要来自 DBLP（计算机/工程方向最可靠的公开文献索引之一），它给出了 Lirong Lian 的近年论文清单和 DOI。 (DBLP)
另外有一个“专家库”页面也能确认她确实隶属于 北京交通大学。 (Imaibj)

---

1) 近三年（2023–2025）公开论文（可直接引用）

2025

1. A Continuous Autonomous Train Positioning Method Using Stereo Vision and Object Tracking
   Lirong Lian, Yong Qin, Zhiwei Cao, Yang Gao, Jie Bai, Xuanyu Ge, Baoqing Guo.
   IEEE Intelligent Transportation Systems Magazine, 17(2): 6–22, 2025. (DBLP)

2. RAE3D: Multiscale Aggregation-Enhanced 3D Object Detection for Rail Transit Obstacle Perception
   Lirong Lian, Zhiwei Cao, Yong Qin, Yang Gao, Wei Li, Jie Bai, Xuanyu Ge, Tangwen Yang.
   IEEE Transactions on Industrial Informatics, 21(5): 4221–4232, 2025. (DBLP)

3. Segmented-Aggregated Framework With Internal-External Constraint Mechanism for Unsupervised Track Anomaly Detection
   Yang Gao, Zhiwei Cao, Yong Qin, Lirong Lian, et al.
   IEEE Transactions on Instrumentation and Measurement, 74: 1–12, 2025. (DBLP)

---

2024

4. An Anomaly Detection Method for Railway Track Using Semisupervised Learning and Vision-Lidar Decision Fusion
   Xuanyu Ge, Zhiwei Cao, Yong Qin, Yang Gao, Lirong Lian, et al.
   IEEE Transactions on Instrumentation and Measurement, 73: 1–15, 2024. (DBLP)

5. Densely Multiscale Fusion Network for Lightweight and Accurate Semantic Segmentation of Railway Scenes
   Lirong Lian, Zhiwei Cao, Yong Qin, Yang Gao, Jie Bai, et al.
   IEEE Transactions on Instrumentation and Measurement, 73: 1–11, 2024. (DBLP)

---

2023

6. Intrusion object recognition of rail perimeter using an improved YOLOv5 algorithm
   Shiding Guo, Weibing Zhu, Yukai Feng, Lanai Cheng, Shaohua Miao, Lirong Lian, et al.
   M2VIP 2023, pp.1–6, 2023. (DBLP)

---

2) 身份/单位的公开佐证

• 有一个公开“专家库”页面显示：连丽容，北京交通大学，教师，并列出专利数量等信息（该站点写的是“连丽容”）。 (Imaibj)

---

3) 你如果要“更全”的清单（中文论文/中文核心/学位论文）

目前我这里能直接打开并结构化提取的公开来源里，DBLP 覆盖的是英文论文为主。
如果你还希望我把她在 CNKI（知网）、万方、维普、BJTU 个人主页等渠道的论文也整理出来（通常会包含更多中文论文），你可以：

• 直接把她的 中文名准确写法（蓉/容）、学院/研究方向、或任意一篇论文题目发我；或
• 发她的 个人主页链接/知网作者页链接（很多需要具体入口，直接给链接最快）。

我就能继续把：
✅ 中文论文题目 + 期刊/会议 + 年份 + DOI/链接（如有）
✅ 研究方向归类（轨道交通感知/视觉定位/异常检测等）
✅ 近三年代表作与引用格式（GB/T 7714 & BibTeX）
整理成一份你可以直接放到论文 related work 或简历里的列表。

---

如果你愿意，我还可以把上面 2023–2025 的论文 统一生成 BibTeX/GB7714 引用格式，你更想要哪一种格式？